Ultralytics Integrações
Bem-vindo à página de integrações do Ultralytics ! Esta página fornece uma visão geral das nossas parcerias com várias ferramentas e plataformas, concebidas para simplificar os teus fluxos de trabalho de aprendizagem automática, melhorar a gestão de conjuntos de dados, simplificar a formação de modelos e facilitar a implementação eficiente.
Observa: Ultralytics YOLOv8 Implementação e integrações
Integrações de conjuntos de dados
- Roboflow: Facilita a gestão de conjuntos de dados sem descontinuidades para modelos Ultralytics , oferecendo capacidades robustas de anotação, pré-processamento e aumento.
Integrações de formação
-
ClearML: Automatiza os teus fluxos de trabalho de Ultralytics ML, monitoriza experiências e promove a colaboração entre equipas.
-
Comet ML: Melhora o desenvolvimento do teu modelo com Ultralytics , acompanhando, comparando e optimizando as tuas experiências de aprendizagem automática.
-
DVC: Implementa o controlo de versões para os teus projectos de aprendizagem automática Ultralytics , sincronizando dados, código e modelos de forma eficaz.
-
MLFlow: Simplifica todo o ciclo de vida de ML dos modelos Ultralytics , desde a experimentação e reprodutibilidade até à implementação.
-
Ultralytics HUB: Acede e contribui para uma comunidade de modelos Ultralytics pré-treinados.
-
Neptune: Mantém um registo completo das tuas experiências de ML com Ultralytics neste armazenamento de metadados concebido para MLOps.
-
Ray Tune: Optimiza os hiperparâmetros dos teus modelos Ultralytics em qualquer escala.
-
TensorBoard: Visualiza os teus Ultralytics fluxos de trabalho de ML, monitoriza as métricas do modelo e promove a colaboração da equipa.
-
Weights & Biases (W&B): Monitoriza experiências, visualiza métricas e promove a reprodutibilidade e a colaboração em projectos Ultralytics .
-
Amazon SageMaker: Aproveita o Amazon SageMaker para criar, treinar e implementar eficientemente modelos Ultralytics , fornecendo uma plataforma tudo-em-um para o ciclo de vida do ML.
-
Paperspace Gradiente: Paperspace A Gradient simplifica o trabalho em projectos YOLOv8 , fornecendo ferramentas na nuvem fáceis de utilizar para treinar, testar e implementar os teus modelos rapidamente.
-
Google Colab: Utiliza o Google Colab para treinar e avaliar modelos Ultralytics num ambiente baseado na nuvem que suporta a colaboração e a partilha.
Integrações de implantação
-
Neural Magic: Aproveita o Quantization Aware Training (QAT) e as técnicas de poda para otimizar os modelos Ultralytics para um desempenho superior e um tamanho mais reduzido.
-
Gradio 🚀 NOVO: Implementa modelos Ultralytics com o Gradio para demonstrações interactivas e em tempo real de deteção de objectos.
-
TorchScript: Desenvolvido como parte da estrutura PyTorchTorchScript permite a execução e implementação eficientes de modelos de aprendizagem automática em vários ambientes de produção sem a necessidade de Python dependências.
-
ONNX: Um formato de código aberto criado pela Microsoft para facilitar a transferência de modelos de IA entre várias estruturas, aumentando a versatilidade e a flexibilidade de implementação dos modelos Ultralytics .
-
OpenVINO: Conjunto de ferramentas da Intel para otimizar e implementar modelos de visão computacional de forma eficiente em várias plataformas Intel CPU e GPU.
-
TensorRT: Desenvolvido pela NVIDIA, esta estrutura de inferência de aprendizagem profunda de alto desempenho e formato de modelo optimiza os modelos de IA para uma velocidade e eficiência aceleradas nas GPUs NVIDIA, garantindo uma implementação simplificada.
-
CoreML: CoreML, desenvolvido pela Apple, é uma estrutura concebida para integrar de forma eficiente modelos de aprendizagem automática em aplicações iOS, macOS, watchOS e tvOS, utilizando o hardware da Apple para uma implementação eficaz e segura dos modelos.
-
TF SavedModel: Desenvolvido pela Google, TF SavedModel é um formato de serialização universal para modelos TensorFlow , permitindo uma partilha e implementação fáceis numa vasta gama de plataformas, desde servidores a dispositivos de ponta.
-
TF GraphDef: Desenvolvido pela Google, o GraphDef é o formato do TensorFlow para representar gráficos de computação, permitindo a execução optimizada de modelos de aprendizagem automática em diversos tipos de hardware.
-
TFLite: Desenvolvido pela Google, o TFLite é uma estrutura leve para a implementação de modelos de aprendizagem automática em dispositivos móveis e periféricos, garantindo uma inferência rápida e eficiente com um consumo mínimo de memória.
-
TFLite Edge TPU: Desenvolvido pela Google para otimizar os modelos TensorFlow Lite em TPUs Edge, este formato de modelo garante uma computação de ponta eficiente e de alta velocidade.
-
TF.js: Desenvolvido pela Google para facilitar a aprendizagem automática em navegadores e Node.js, o TF.js permite a implementação de modelos de ML com base em JavaScript.
-
PaddlePaddle: Uma plataforma de aprendizagem profunda de código aberto da Baidu, PaddlePaddle permite a implementação eficiente de modelos de IA e centra-se na escalabilidade das aplicações industriais.
-
NCNN: Desenvolvido pela Tencent, o NCNN é uma estrutura de inferência de rede neural eficiente adaptada a dispositivos móveis. Permite a implementação direta de modelos de IA em aplicações, optimizando o desempenho em várias plataformas móveis.
Formatos de exportação
Também suportamos uma variedade de formatos de exportação de modelos para implementação em diferentes ambientes. Vê aqui os formatos disponíveis:
Formato | format Argumenta |
Modelo | Metadados | Argumentos |
---|---|---|---|---|
PyTorch | - | yolov8n.pt |
✅ | - |
TorchScript | torchscript |
yolov8n.torchscript |
✅ | imgsz , optimize , batch |
ONNX | onnx |
yolov8n.onnx |
✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n_openvino_model/ |
✅ | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n.engine |
✅ | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml |
yolov8n.mlpackage |
✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n_saved_model/ |
✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n.pb |
❌ | imgsz , batch |
TF Leve | tflite |
yolov8n.tflite |
✅ | imgsz , half , int8 , batch |
TF Borda TPU | edgetpu |
yolov8n_edgetpu.tflite |
✅ | imgsz , batch |
TF.js | tfjs |
yolov8n_web_model/ |
✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n_paddle_model/ |
✅ | imgsz , batch |
NCNN | ncnn |
yolov8n_ncnn_model/ |
✅ | imgsz , half , batch |
Explora as ligações para saberes mais sobre cada integração e como tirar o máximo partido delas com Ultralytics. Ver completo export
detalhes no Exportação página.
Contribui para as nossas integrações
Estamos sempre entusiasmados por ver como a comunidade integra Ultralytics YOLO com outras tecnologias, ferramentas e plataformas! Se tiveres integrado com êxito o YOLO com um novo sistema ou se tiveres conhecimentos valiosos para partilhar, considera contribuir para os nossos documentos de integrações.
Ao escrever um guia ou tutorial, podes ajudar a expandir a nossa documentação e fornecer exemplos reais que beneficiam a comunidade. É uma excelente maneira de contribuir para o crescente ecossistema em torno de Ultralytics YOLO .
Para contribuir, por favor consulta o nosso Guia de Contribuição para obteres instruções sobre como submeter um Pull Request (PR) 🛠️. Aguardamos ansiosamente as tuas contribuições!
Vamos colaborar para tornar o ecossistema Ultralytics YOLO mais expansivo e rico em funcionalidades 🙏!
Criado em 2023-11-12, Atualizado em 2024-05-08
Autores: Burhan-Q (4), glenn-jocher (12), abirami-vina (14), RizwanMunawar (1)